Python3网络爬虫开发实战（4）数据的存储

一、文本文件存储

1. os 文件 mode

python open() 函数用于打开一个文件，创建一个 file 对象，相关的方法才可以调用它进行读写。

open(name[, mode[, buffering]])

模式	描述
t	文本模式 (默认)。
x	写模式，新建一个文件，如果该文件已存在则会报错。
b	二进制模式。
+	打开一个文件进行更新(可读可写)。
U	通用换行模式（不推荐）。
r	以只读方式打开文件。文件的指针将会放在文件的开头。这是默认模式。
rb	以二进制格式打开一个文件用于只读。文件指针将会放在文件的开头。这是默认模式。一般用于非文本文件如图片等。
r+	打开一个文件用于读写。文件指针将会放在文件的开头。
rb+	以二进制格式打开一个文件用于读写。文件指针将会放在文件的开头。一般用于非文本文件如图片等。
w	打开一个文件只用于写入。如果该文件已存在则打开文件，并从开头开始编辑，即原有内容会被删除。如果该文件不存在，创建新文件。
wb	以二进制格式打开一个文件只用于写入。如果该文件已存在则打开文件，并从开头开始编辑，即原有内容会被删除。如果该文件不存在，创建新文件。一般用于非文本文件如图片等。
w+	打开一个文件用于读写。如果该文件已存在则打开文件，并从开头开始编辑，即原有内容会被删除。如果该文件不存在，创建新文件。
wb+	以二进制格式打开一个文件用于读写。如果该文件已存在则打开文件，并从开头开始编辑，即原有内容会被删除。如果该文件不存在，创建新文件。一般用于非文本文件如图片等。
a	打开一个文件用于追加。如果该文件已存在，文件指针将会放在文件的结尾。也就是说，新的内容将会被写入到已有内容之后。如果该文件不存在，创建新文件进行写入。
ab	以二进制格式打开一个文件用于追加。如果该文件已存在，文件指针将会放在文件的结尾。也就是说，新的内容将会被写入到已有内容之后。如果该文件不存在，创建新文件进行写入。
a+	打开一个文件用于读写。如果该文件已存在，文件指针将会放在文件的结尾。文件打开时会是追加模式。如果该文件不存在，创建新文件用于读写。
ab+	以二进制格式打开一个文件用于追加。如果该文件已存在，文件指针将会放在文件的结尾。如果该文件不存在，创建新文件用于读写。

2. TXT

with open('movies.txt', 'w', encoding='utf-8') as f:f.writelines(['名称', '类别', '时间'])with open('movies.txt', 'w', encoding='utf-8') as f:f.write('名称')f.write('类别')f.write('时间')

3. JSON

json 数据要使用双引号包围起来，而不能使用单引号；

import json# 读取数据
with open('data.json', encoding='utf-8') as f:json_data = json.loads(f.read())json_data = json.load(open('data.json', encoding='utf-8'))# 导出数据
with open('data.json', mode='w', encoding='utf-8') as f:f.write(json.dumps(json_data, indent=2, ensure_ascii=False))json.dump(json_data, open('data.json', mode='w', encoding='utf-8'), indent=2, ensure_ascii=False)

4. CSV

import csv# 存储数据
with open('data.csv', 'w') as csvfile:writer = csv.writer(csvfile, delimiter=',')writer.writerow(['1', '2', '3'])writer.writerow(['1', '2', '3'])writer.writerow(['1', '2', '3'])with open('data.csv', 'w') as csvfile:writer = csv.DictWriter(csvfile, delimiter=',', fieldnames = ['id1', 'id2', 'id3'])writer.writeheader()writer.writerow({'id1': 1, 'id2': 2, 'id3': 3})writer.writerow({'id1': 1, 'id2': 2, 'id3': 3})writer.writerow({'id1': 1, 'id2': 2, 'id3': 3})# 读取数据
with open('data.csv', 'r') as csvfile:reader = csv.DictReader(csvfile)for row in reader:print(row)# 如果 w 模式中没有使用 newline='' 则会出现空行，不推荐使用，推荐使用 csv.DictReader
with open('data.csv', 'r') as csvfile:reader = csv.reader(csvfile)for row in reader:print(row)

二、数据库存储

1. SQLAlchemy

安装 SQLAlchemy 库：

pip install SQLAlchemy

SQLAlchemy 库相较于 pymysql 库来说，sqlalchemy还包括ORM，可以负责数据转换和类型处理；sqlalchemy ORM 使用 Python 类来表示数据库表，这使得查询和数据处理变得无比容易。此外，sqlalchemy 还支持高级查询和 SQL 语句生成，可以在处理复杂查询时更加便捷。

官网：SQLAlchemy Documentation — SQLAlchemy 2.0 Documentation

drivername	Database
mysql	MySQL
mysql+mysqldb	MySQL
mysql+pymysql	MySQL
oracle	Oracle
oracle+cx_oracle	Oracle
mssql+pyodbc	Microsoft SQL Server
mssql+pymssql	Microsoft SQL Server
sqlite	SQLite
postgresql	PostgreSQL
postgresql+psycopg2	PostgreSQL
postgresql+pg8000	PostgreSQL

from sqlalchemy import URL, create_engine, texturl_object = URL.create(drivername="postgresql+pg8000",username="dbuser",password="kx@jj5/g",  # plain (unescaped) texthost="pghost10",database="appdb",
)engine = create_engine(url_object, echo=False)with engine.connect() as conn:result = conn.execute(text("select 'hello world'"))print(result.all())# 加上 conn.commit() 表示提交 否则就是 rollback# conn.commit() 

在这里涉及到 SQL 语句部分：史上最全SQL基础知识总结(理论+举例)-CSDN博客

2. MongoDB

首先安装 MongoDB，然后安装 PyMongo 库：MongoDB 的安装 | 静觅 (cuiqingcai.com)；（异步库 motor）

pip install pymongo

MongoDB 是一个基于分布式文件存储的开源数据库系统，其内容的存储形式类似于 Json 对象；在 MongoDB 中，每条数据都有一个 _id 属性作为唯一标识，如果没有显示指明该属性，那么 MongoDB 会自动产生一个 ObjectID 类型的 _id 属性，insert 方法会在执行后返回 _id 值；MongoDB 教程 | 菜鸟教程 (runoob.com)

import pymongo# 连接 MongoDB
client = pymongo.MongoClient(host="localhost", port=27017)
client = pymongo.MongoClient('mongodb://localhost:27107/')# 指定名为 test 的数据库
db = client.test
db = client['test']# 指定名为 students 的集合
collection = db.students
collection = db['students']# 插入数据，insert 方法会在执行后返回 ObjectID 类型的 _id 值；
student_1 = {'name':'张三', 'age': 14}
student_2 = {'name':'张三', 'age': 14}collection.insert_one(student_1)
collection.insert_one(student_2)
collection.insert_many([student_1, student_2])# 查询数据，返回的数据是 字典型 数据
collection.find_one({'name': '张三'})
collection.find({'age': { $eq: 25}}) # 返回 cursor 类型数据，相当于一个生成器 from bson.objectid import ObjectID
collection.find_one({'_id': ObjectID('88888888')})# 更新
condition = {'name': 'Kevin'}
student = collection.find_one(condition)
student['age'] = 26
collection.update(condition, student) # 可以不用 $set
## {'ok': 1, ...}## $set 只会更新 student 字典内存在的字段，如果原先还有其他字段，则既不会更新，也不会删除；
collection.update_one(condition, {'$set': student})
collection.update_many(condition, {'$set': student}) # 删除
collection.delete_one({'name': '张三'})
collection.delete_many({'name': '张三'})
## {'ok': 1, ...}# 计数
collection.find().count()# 排序 ASCENDING 和 DESCENDING
collection.find().sort('name', pymongo.ASCENDING) # 偏移位置
collection.skip(2)# 限制结果个数
collection.limit(2)

条件操作符：

操作符	描述	示例
$eq	等于	{ age: { $eq: 25 } }
$ne	不等于	{ age: { $ne: 25 } }
$gt	大于	{ age: { $gt: 25 } }
$gte	大于等于	{ age: { $gte: 25 } }
$lt	小于	{ age: { $lt: 25 } }
$lte	小于等于	{ age: { $lte: 25 } }
$in	在指定的数组中	{ age: { $in: [25, 30, 35] } }
$nin	不在指定的数组中	{ age: { $nin: [25, 30, 35] } }
$and	逻辑与，符合所有条件	{ $and: [ { age: { $gt: 25 } }, { city: "New York" } ] }
$or	逻辑或，符合任意条件	{ $or: [ { age: { $lt: 25 } }, { city: "New York" } ] }
$not	取反，不符合条件	{ age: { $not: { $gt: 25 } } }
$nor	逻辑与非，均不符合条件	{ $nor: [ { age: { $gt: 25 } }, { city: "New York" } ] }
$exists	字段是否存在	{ age: { $exists: true } }
$type	字段的 BSON 类型	{ age: { $type: "int" } }
$all	数组包含所有指定的元素	{ tags: { $all: ["red", "blue"] } }
$elemMatch	数组中的元素匹配指定条件	{ results: { $elemMatch: { score: { $gt: 80, $lt: 85 } } } }
$size	数组的长度等于指定值	{ tags: { $size: 3 } }
$regex	匹配正则表达式	{ name: { $regex: /^A/ } }
$text	进行文本搜索	{ $text: { $search: "coffee" } }
$where	使用 JavaScript 表达式进行条件过滤	{ $where: "this.age > 25" }
功能操作符：

![[Pasted image 20240725150419.png]]

3. Redis

首先可以按照下面链接安装 Redis，安装好 Redis 数据库后，还需要安装好 redis-py 库，即用来操作 Redis 的 Python 包

1. Redis 库的安装 | 静觅 (cuiqingcai.com)
2. Redis 安装 | 菜鸟教程 (runoob.com)
3. Python redis 使用介绍 | 菜鸟教程 (runoob.com)

pip install redis

Redis 是一个基于内存的，高效的键值型非关系型数据库，存取效率极高，而且支持多种数据结构，使用起来也非常简单；鉴于 Redis 的便捷性和高效性，在维护代理池，账号池，ADSL拨号代理池，Scrapy-Redis 分布式架构有着重要应用

from redis import StrictRedis, ConnectionPool# 连接 Redis
pool = ConnectionPool(host='localhost', port=6379, db=0, password='foobared')
redis = StrictRedis(connection_pool=pool)redis = StrictRedis(host='localhost', port=6379, db=0, password='foobared')

1) 键操作

方　　法	作　　用	参数说明	示　　例	示例说明	示例结果
exists(name)	判断一个键是否存在	name：键名	redis.exists(‘name’)	是否存在 name 这个键	True
delete(name)	删除一个键	name：键名	redis.delete(‘name’)	删除 name 这个键	1
type(name)	判断键类型	name：键名	redis.type(‘name’)	判断 name 这个键类型	b’string’
keys(pattern)	获取所有符合规则的键	pattern：匹配规则	redis.keys(‘n*’)	获取所有以 n 开头的键	[b’name’]
randomkey()	获取随机的一个键		randomkey()	获取随机的一个键	b’name’
rename(src, dst)	重命名键	src：原键名；dst：新键名	redis.rename(‘name’, ‘nickname’)	将 name 重命名为 nickname	True
dbsize()	获取当前数据库中键的数目		dbsize()	获取当前数据库中键的数目	100
expire(name, time)	设定键的过期时间，单位为秒	name：键名；time：秒数	redis.expire(‘name’, 2)	将 name 键的过期时间设置为 2 秒	True
ttl(name)	获取键的过期时间，单位为秒，1 表示永久不过期	name：键名	redis.ttl(‘name’)	获取 name 这个键的过期时间	1
move(name, db)	将键移动到其他数据库	name：键名；db：数据库代号	move(‘name’, 2)	将 name 移动到 2 号数据库	True
flushdb()	删除当前选择数据库中的所有键		flushdb()	删除当前选择数据库中的所有键	True
flushall()	删除所有数据库中的所有键		flushall()	删除所有数据库中的所有键	True

2) 字符串操作

方　　法	作　　用	参数说明	示　　例	示例说明	示例结果
set(name, value)	给数据库中键名为 name 的 string 赋予值 value	n ame：键名；value：值	redis.set(‘name’, ‘Bob’)	给 name 这个键的 value 赋值为 Bob	True
get(name)	返回数据库中键名为 name 的 string 的 value	name：键名	redis.get(‘name’)	返回 name 这个键的 value	b’Bob’
getset(name, value)	给数据库中键名为 name 的 string 赋予值 value 并返回上次的 value	name：键名；value：新值	redis.getset(‘name’, ‘Mike’)	赋值 name 为 Mike 并得到上次的 value	b’Bob’
mget(keys, *args)	返回多个键对应的 value 组成的列表	keys：键名序列	redis.mget([‘name’, ‘nickname’])	返回 name 和 nickname 的 value	[b’Mike’, b’Miker’]
setnx(name, value)	如果不存在这个键值对，则更新 value，否则不变	name：键名	redis.setnx(‘newname’, ‘James’)	如果 newname 这个键不存在，则设置值为 James	第一次运行结果是 True，第二次运行结果是 False
setex(name, time, value)	设置可以对应的值为 string 类型的 value，并指定此键值对应的有效期	n ame：键名；time：有效期；value：值	redis.setex(‘name’, 1, ‘James’)	将 name 这个键的值设为 James，有效期为 1 秒	True
setrange(name, offset, value)	设置指定键的 value 值的子字符串	name：键名；offset：偏移量；value：值	redis.set(‘name’, ‘Hello’) redis.setrange (‘name’, 6, ‘World’)	设置 name 为 Hello 字符串，并在 index 为 6 的位置补 World	11，修改后的字符串长度
mset(mapping)	批量赋值	mapping：字典或关键字参数	redis.mset({‘name1’: ‘Durant’, ‘name2’: ‘James’})	将 name1 设为 Durant，name2 设为 James	True
msetnx(mapping)	键均不存在时才批量赋值	mapping：字典或关键字参数	redis.msetnx({‘name3’: ‘Smith’, ‘name4’: ‘Curry’})	在 name3 和 name4 均不存在的情况下才设置二者值	True
incr(name, amount=1)	键名为 name 的 value 增值操作，默认为 1，键不存在则被创建并设为 amount	name：键名；amount：增长的值	redis.incr(‘age’, 1)	age 对应的值增 1，若不存在，则会创建并设置为 1	1，即修改后的值
decr(name, amount=1)	键名为 name 的 value 减值操作，默认为 1，键不存在则被创建并将 value 设置为 - amount	name：键名；amount：减少的值	redis.decr(‘age’, 1)	age 对应的值减 1，若不存在，则会创建并设置为1	1，即修改后的值
append(key, value)	键名为 key 的 string 的值附加 value	key：键名	redis.append(‘nickname’, ‘OK’)	向键名为 nickname 的值后追加 OK	13，即修改后的字符串长度
substr(name, start, end=-1)	返回键名为 name 的 string 的子字符串	name：键名；start：起始索引；end：终止索引，默认为1，表示截取到末尾	redis.substr(‘name’, 1, 4)	返回键名为 name 的值的字符串，截取索引为 1~4 的字符	b’ello’
getrange(key, start, end)	获取键的 value 值从 start 到 end 的子字符串	key：键名；start：起始索引；end：终止索引	redis.getrange(‘name’, 1, 4)	返回键名为 name 的值的字符串，截取索引为 1~4 的字符	b’ello’

3) 列表操作

方　　法	作　　用	参数说明	示　　例	示例说明	示例结果
rpush(name, *values)	在键名为 name 的列表末尾添加值为 value 的元素，可以传多个	name：键名；values：值	redis.rpush(‘list’, 1, 2, 3)	向键名为 list 的列表尾添加 1、2、3	3，列表大小
lpush(name, *values)	在键名为 name 的列表头添加值为 value 的元素，可以传多个	name：键名；values：值	redis.lpush(‘list’, 0)	向键名为 list 的列表头部添加 0	4，列表大小
llen(name)	返回键名为 name 的列表的长度	name：键名	redis.llen(‘list’)	返回键名为 list 的列表的长度	4
lrange(name, start, end)	返回键名为 name 的列表中 start 至 end 之间的元素	name：键名；start：起始索引；end：终止索引	redis.lrange(‘list’, 1, 3)	返回起始索引为 1 终止索引为 3 的索引范围对应的列表	[b’3’, b’2’, b’1’]
ltrim(name, start, end)	截取键名为 name 的列表，保留索引为 start 到 end 的内容	name：键名；start：起始索引；end：终止索引	ltrim(‘list’, 1, 3)	保留键名为 list 的索引为 1 到 3 的元素	True
lindex(name, index)	返回键名为 name 的列表中 index 位置的元素	name：键名；index：索引	redis.lindex(‘list’, 1)	返回键名为 list 的列表索引为 1 的元素	b’2’
lset(name, index, value)	给键名为 name 的列表中 index 位置的元素赋值，越界则报错	name：键名；index：索引位置；value：值	redis.lset(‘list’, 1, 5)	将键名为 list 的列表中索引为 1 的位置赋值为 5	True
lrem(name, count, value)	删除 count 个键的列表中值为 value 的元素	name：键名；count：删除个数；value：值	redis.lrem(‘list’, 2, 3)	将键名为 list 的列表删除两个 3	1，即删除的个数
lpop(name)	返回并删除键名为 name 的列表中的首元素	name：键名	redis.lpop(‘list’)	返回并删除名为 list 的列表中的第一个元素	b’5’
rpop(name)	返回并删除键名为 name 的列表中的尾元素	name：键名	redis.rpop(‘list’)	返回并删除名为 list 的列表中的最后一个元素	b’2’
blpop(keys, timeout=0)	返回并删除名称在 keys 中的 list 中的首个元素，如果列表为空，则会一直阻塞等待	keys：键名序列；timeout：超时等待时间，0 为一直等待	redis.blpop(‘list’)	返回并删除键名为 list 的列表中的第一个元素	[b’5’]
brpop(keys, timeout=0)	返回并删除键名为 name 的列表中的尾元素，如果 list 为空，则会一直阻塞等待	keys：键名序列；timeout：超时等待时间，0 为一直等待	redis.brpop(‘list’)	返回并删除名为 list 的列表中的最后一个元素	[b’2’]
rpoplpush(src, dst)	返回并删除名称为 src 的列表的尾元素，并将该元素添加到名称为 dst 的列表头部	src：源列表的键；dst：目标列表的 key	redis.rpoplpush(‘list’, ‘list2’)	将键名为 list 的列表尾元素删除并将其添加到键名为 list2 的列表头部，然后返回	b’2’

4) 集合操作

方　　法	作　　用	参数说明	示　　例	示例说明	示例结果
sadd(name, *values)	向键名为 name 的集合中添加元素	name：键名；values：值，可为多个	redis.sadd(‘tags’, ‘Book’, ‘Tea’, ‘Coffee’)	向键名为 tags 的集合中添加 Book、Tea 和 Coffee 这 3 个内容	3，即插入的数据个数
srem(name, *values)	从键名为 name 的集合中删除元素	name：键名；values：值，可为多个	redis.srem(‘tags’, ‘Book’)	从键名为 tags 的集合中删除 Book	1，即删除的数据个数
spop(name)	随机返回并删除键名为 name 的集合中的一个元素	name：键名	redis.spop(‘tags’)	从键名为 tags 的集合中随机删除并返回该元素	b’Tea’
smove(src, dst, value)	从 src 对应的集合中移除元素并将其添加到 dst 对应的集合中	src：源集合；dst：目标集合；value：元素值	redis.smove(‘tags’, ‘tags2’, ‘Coffee’)	从键名为 tags 的集合中删除元素 Coffee 并将其添加到键为 tags2 的集合	True
scard(name)	返回键名为 name 的集合的元素个数	name：键名	redis.scard(‘tags’)	获取键名为 tags 的集合中的元素个数	3
sismember(name, value)	测试 member 是否是键名为 name 的集合的元素	name：键值	redis.sismember(‘tags’, ‘Book’)	判断 Book 是否是键名为 tags 的集合元素	True
sinter(keys, *args)	返回所有给定键的集合的交集	keys：键名序列	redis.sinter([‘tags’, ‘tags2’])	返回键名为 tags 的集合和键名为 tags2 的集合的交集	{b’Coffee’}
sinterstore(dest, keys, *args)	求交集并将交集保存到 dest 的集合	dest：结果集合；keys：键名序列	redis.sinterstore (‘inttag’, [‘tags’, ‘tags2’])	求键名为 tags 的集合和键名为 tags2 的集合的交集并将其保存为 inttag	1
sunion(keys, *args)	返回所有给定键的集合的并集	keys：键名序列	redis.sunion([‘tags’, ‘tags2’])	返回键名为 tags 的集合和键名为 tags2 的集合的并集	{b’Coffee’, b’Book’, b’Pen’}
sunionstore(dest, keys, *args)	求并集并将并集保存到 dest 的集合	dest：结果集合；keys：键名序列	redis.sunionstore (‘inttag’, [‘tags’, ‘tags2’])	求键名为 tags 的集合和键名为 tags2 的集合的并集并将其保存为 inttag	3
sdiff(keys, *args)	返回所有给定键的集合的差集	keys：键名序列	redis.sdiff([‘tags’, ‘tags2’])	返回键名为 tags 的集合和键名为 tags2 的集合的差集	{b’Book’, b’Pen’}
sdiffstore(dest, keys, *args)	求差集并将差集保存到 dest 集合	dest：结果集合；keys：键名序列	redis.sdiffstore (‘inttag’, [‘tags’, ‘tags2’])	求键名为 tags 的集合和键名为 tags2 的集合的差集并将其保存为 inttag	3
smembers(name)	返回键名为 name 的集合的所有元素	name：键名	redis.smembers(‘tags’)	返回键名为 tags 的集合的所有元素	{b’Pen’, b’Book’, b’Coffee’}
srandmember(name)	随机返回键名为 name 的集合中的一个元素，但不删除元素	name：键值	redis.srandmember(‘tags’)	随机返回键名为 tags 的集合中的一个元素	Srandmember (name)

5) 有序集合操作

方　　法	作　　用	参数说明	示　　例	示例说明	示例结果
zadd(name, *args, **kwargs)	向键名为 name 的 zset 中添加元素 member，score 用于排序。如果该元素存在，则更新其顺序	name：键名；args：可变参数	redis.zadd(‘grade’, 100, ‘Bob’, 98, ‘Mike’)	向键名为 grade 的 zset 中添加 Bob（其 score 为 100），并添加 Mike（其 score 为 98）	2，即添加的元素个数
zrem(name, *values)	删除键名为 name 的 zset 中的元素	name：键名；values：元素	redis.zrem(‘grade’, ‘Mike’)	从键名为 grade 的 zset 中删除 Mike	1，即删除的元素个数
zincrby(name, value, amount=1)	如果在键名为 name 的 zset 中已经存在元素 value，则将该元素的 score 增加 amount；否则向该集合中添加该元素，其 score 的值为 amount	name：键名；value：元素；amount：增长的 score 值	redis.zincrby(‘grade’, ‘Bob’, -2)	键名为 grade 的 zset 中 Bob 的 score 减 2	98.0，即修改后的值
zrank(name, value)	返回键名为 name 的 zset 中元素的排名，按 score 从小到大排序，即名次	name：键名；value：元素值	redis.zrank(‘grade’, ‘Amy’)	得到键名为 grade 的 zset 中 Amy 的排名	1
zrevrank(name, value)	返回键为 name 的 zset 中元素的倒数排名（按 score 从大到小排序），即名次	name：键名；value：元素值	redis.zrevrank (‘grade’, ‘Amy’)	得到键名为 grade 的 zset 中 Amy 的倒数排名	2
zrevrange(name, start, end, withscores= False)	返回键名为 name 的 zset（按 score 从大到小排序）中 index 从 start 到 end 的所有元素	name：键值；start：开始索引；end：结束索引；withscores：是否带 score	redis.zrevrange (‘grade’, 0, 3)	返回键名为 grade 的 zset 中前四名元素	[b’Bob’, b’Mike’, b’Amy’, b’James’]
zrangebyscore (name, min, max, start=None, num=None, withscores=False)	返回键名为 name 的 zset 中 score 在给定区间的元素	name：键名；min：最低 score；max：最高 score；start：起始索引；num：个数；withscores：是否带 score	redis.zrangebyscore (‘grade’, 80, 95)	返回键名为 grade 的 zset 中 score 在 80 和 95 之间的元素	[b’Bob’, b’Mike’, b’Amy’, b’James’]
zcount(name, min, max)	返回键名为 name 的 zset 中 score 在给定区间的数量	name：键名；min：最低 score；max：最高 score	redis.zcount(‘grade’, 80, 95)	返回键名为 grade 的 zset 中 score 在 80 到 95 的元素个数	2
zcard(name)	返回键名为 name 的 zset 的元素个数	name：键名	redis.zcard(‘grade’)	获取键名为 grade 的 zset 中元素的个数	3
zremrangebyrank (name, min, max)	删除键名为 name 的 zset 中排名在给定区间的元素	name：键名；min：最低位次；max：最高位次	redis.zremrangebyrank (‘grade’, 0, 0)	删除键名为 grade 的 zset 中排名第一的元素	1，即删除的元素个数
zremrangebyscore (name, min, max)	删除键名为 name 的 zset 中 score 在给定区间的元素	name：键名；min：最低 score；max：最高 score	redis.zremrangebyscore (‘grade’, 80, 90)	删除 score 在 80 到 90 之间的元素	1，即删除的元素个数

6) 散列操作

方　　法	作　　用	参数说明	示　　例	示例说明	示例结果
hset(name, key, value)	向键名为 name 的散列表中添加映射	name：键名；key：映射键名；value：映射键值	hset(‘price’, ‘cake’, 5)	向键名为 price 的散列表中添加映射关系，cake 的值为 5	1，即添加的映射个数
hsetnx(name, key, value)	如果映射键名不存在，则向键名为 name 的散列表中添加映射	name：键名；key：映射键名；value：映射键值	hsetnx(‘price’, ‘book’, 6)	向键名为 price 的散列表中添加映射关系，book 的值为 6	1，即添加的映射个数
hget(name, key)	返回键名为 name 的散列表中 key 对应的值	name：键名；key：映射键名	redis.hget(‘price’, ‘cake’)	获取键名为 price 的散列表中键名为 cake 的值	5
hmget(name, keys, *args)	返回键名为 name 的散列表中各个键对应的值	name：键名；keys：键名序列	redis.hmget(‘price’, [‘apple’, ‘orange’])	获取键名为 price 的散列表中 apple 和 orange 的值	[b’3’, b’7’]
hmset(name, mapping)	向键名为 name 的散列表中批量添加映射	name：键名；mapping：映射字典	redis.hmset(‘price’, {‘banana’: 2, ‘pear’: 6})	向键名为 price 的散列表中批量添加映射	True
hincrby(name, key, amount=1)	将键名为 name 的散列表中映射的值增加 amount	name：键名；key：映射键名；amount：增长量	redis.hincrby(‘price’, ‘apple’, 3)	key 为 price 的散列表中 apple 的值增加 3	6，修改后的值
hexists(name, key)	键名为 name 的散列表中是否存在键名为键的映射	name：键名；key：映射键名	redis.hexists(‘price’, ‘banana’)	键名为 price 的散列表中 banana 的值是否存在	True
hdel(name, *keys)	在键名为 name 的散列表中，删除键名为键的映射	name：键名；keys：键名序列	redis.hdel(‘price’, ‘banana’)	从键名为 price 的散列表中删除键名为 banana 的映射	True
hlen(name)	从键名为 name 的散列表中获取映射个数	name：键名	redis.hlen(‘price’)	从键名为 price 的散列表中获取映射个数	6
hkeys(name)	从键名为 name 的散列表中获取所有映射键名	name：键名	redis.hkeys(‘price’)	从键名为 price 的散列表中获取所有映射键名	[b’cake’, b’book’, b’banana’, b’pear’]
hvals(name)	从键名为 name 的散列表中获取所有映射键值	name：键名	redis.hvals(‘price’)	从键名为 price 的散列表中获取所有映射键值	[b’5’, b’6’, b’2’, b’6’]
hgetall(name)	从键名为 name 的散列表中获取所有映射键值对	name：键名	redis.hgetall(‘price’)	从键名为 price 的散列表中获取所有映射键值对	{b’cake’: b’5’, b’book’: b’6’, b’orange’: b’7’, b’pear’: b’6’}

4. Elasticsearch

首先要安装 Elasticsearch，安装完毕后，我们需要安装 Elasticsearch 库专门用来对接 Elasticsearch

1. Elasticsearch 的安装 | 静觅 (cuiqingcai.com)
2. Elasticsearch 教程 - 菜鸟教程 (cainiaojc.com)

pip install elasticsearch

Elasticsearch 是一个分布式的实时文档存储库，每个字段都可以被索引与搜索，能胜任上百个服务节点的拓展，并支持 PB 级别的结构化或者非结构化数据

from elasticsearch import Elasticsearch# 连接 Elasticsearch 默认连接本地9200端口
es = Elasticsearch(hosts:"localhost",port:9200,verify_certs=True # 是否验证证书
)# 创建索引
es.indices.create(index='news', ignore=400) # ignore 为 400 忽略索引存在错误
## {'acknowledged':True, ...} acknowledged 表示创建成功# 删除索引
es.indices.delete(index='news')
## {'acknowledged':True, ...} acknowledged 表示创建成功# 插入数据 es.index() 可以不提供 id，会自动生成
es.index(index='test', id='1', body={"id": "1", "name": "小明"}) # 提倡使用下面的方法
es.index(index='test', id='2', doc={"name": "方天", "age": "23"})# 插入数据 es.create() 必须提供 id，当索引中已存在具有相同 ID 的文档时，返回 409 响应。
es.create(index='test', id='3', doc={"name": "方天", "age": "23"})# 更新数据 必须提供 id
es.update(index='test', id='3', doc={"name": "方天", "age": "23"})# 查询数据
es.get(index='test',id='1')

1) 检索数据：利用 elasticsearch-analysis-ik 进行分词

Elasticsearch 具有一个强大的信息检索功能，对于中文来说，我们需要安装一个中文分词插件，如 elasticsearch-analysis-ik，这里我们可以使用 Elasticsearch 的命令行工具 elasticsearch-plugin 来安装这个插件:infinilabs/analysis-ik: 🚌 The IK Analysis plugin integrates Lucene IK analyzer into Elasticsearch and OpenSearch, support customized dictionary. (github.com)

elasticsearch-plugin install https://get.infini.cloud/elasticsearch/analysis-ik/8.4.1

安装完毕后，重新启动 Elasticsearch，会自动加载安装好的插件，然后我们定义一个 mapping，指定搜索分词器 search_analyzer 为 ik_smart (书上是 ik_max_word )

from elasticsearch import Elasticsearch# 连接 Elasticsearch 默认连接本地9200端口
es = Elasticsearch(hosts:"localhost",port:9200,verify_certs=True # 是否验证证书
)# 指定搜索分词器 search_analyzer 为 ik_smart (书上是 ik_max_word )
mapping = {"properties": {"content": {"type": "text","analyzer": "ik_max_word","search_analyzer": "ik_smart"}}
}
es.indices.put_mapping(index='news', body=mapping)

然后我们可以使用 search 函数搭配 query 进行解锁；

# 基础查询 -> 查询 test 索引前 10 条数据 
es.search(index='test')# 过滤字段查询 -> 只显示test索引的age字段信息
es.search(index='test',filter_path=['hits.hits._source.age'])# 切片查询 -> 查询test索引中，从序号为1的位置查询两条数据
es.search(index='test', from_=1, size=2)# 模糊查询（分词）-> 查询test索引中，age字段为20的数据
es.search(index='test', query={'match':{'age':20}})# 模糊查询（不分词）-> 查询test索引中，name字段为杨晨的数据
es.search(index='test', query={'match_phrase':{'name':'杨晨'}})# 精准单值查询 -> 查询test索引中，age为20的数据
es.search(index='test', query={'term':{'age':20}})# 精准单值查询 -> 查询test索引中，name为杨晨的数据，查询中文，要在字段后面加上.keyword
es.search(index='test', query={'term':{'name.keyword':'杨晨'}})# 精准多值查询 -> 查询test索引中，name为杨晨或小明的数据
es.search(index='test', query={'terms':{'name.keyword':['杨晨','小明']}})# 多字段查询 -> 查询test索引中，name和about都为小美的数据
es.search(index='test',query={'multi_match':{'query':'小美',"fields":['name','about']}})# 前缀查询 -> 查询test索引中，name字段前缀为小的数据
es.search(index='test',query={'prefix':{'name.keyword':'小'}})# 通配符查询 -> 查询test索引中，name字段为杨*的数据
es.search(index='test',query={'wildcard':{'name.keyword':'杨?'}})# 正则查询 -> 查询test索引中，name字段为杨*的数据
es.search(index='test',query={'regexp':{'name.keyword':'杨.'}})# 多条件查询 -> 查询test索引中，name字段为小美，id字段为1的数据
es.search(index='test',query={'bool':{'must':{'term':{'name':'小美'},'term':{'id':'1'}}}})# 存在字段查询 -> 查询test索引中，包含age字段的数据
es.search(index='test',query={'exists':{'field':'age'}})# 范围查询 -> 查询test索引中，age字段大于20小于等于23的数据
es.search(index='test',query={'range':{'age':{'gt':20,'lte':23}}})# Json字段查询 -> 查询test索引中，jsonfield1字段下json数据jsonfield2字段的数据包含'json'的数据
es.search(index='test',query={'nested':{'path':'jsonfield1','query':{'term':{'jsonfield1.jsonfield2':'json'}}}})# 排序 -> 查询test索引中的数据，按照age字段降序
es.search(index='test', sort={'age.keyword':{'order':'desc'}})

2) dsl 语句：Search DSL — Elasticsearch DSL 8.14.0 documentation (elasticsearch-dsl.readthedocs.io)

5. RabbitMQ

首先需要安装 RabbitMQ，安装完毕后，还有需要安装一个操作 RabbitMQ 的库，pika

1. RabbitMQ 的安装 | 静觅 (cuiqingcai.com)
2. Installing on Windows | RabbitMQ
3. Introduction to Pika — pika 1.3.2 documentation

pip install pika

在爬取过程中，我们可能需要一些进程间的通信机制，例如：

• 一个进程负责构造爬取请求，另一个进程负责执行爬取请求；
• 某个数据爬取进程执行完毕，通知另外一个负责数据处理的进程开始处理数据；
• 某个进程新建了一个爬取任务，通知另外一个负责数据爬取的进程开始爬取数据；

在这里我们可以使用 RabbitMQ 作为消息队列的中间件来存储和转化信息，有了消息队列中间件后，以上各机制中的两个进程就可以独立执行，他们之间的通信则由消息队列实现；

1. 声明队列：通过指定一些参数，创建消息队列；
2. 生产内容：根据队列的连接信息连接队列，往队列中放入消息；
3. 消费内容：根据队列的连接信息连接队列，从队列中取出消息；

1) 声明队列

无论是生产队列还是消费队列，都需要创建 channel 才可以操作队列，其中生产队列需要声明队列

import pikaQUEUE_NAME = 'scrape'
parameters = pika.ConnectionParameters(host='losthost')
connection = pika.BlockingConnection(parameters)channel = connection.channel()# 生产队列需要声明
channel.queue_declare(queue=QUEUE_NAME)

2) 生产内容

在声明队列的时候，添加 durable 参数可以持久化

import pika
import requests
import pickleMAX_PRIORITY = 100
TOTAL = 100
QUEUE_NAME = 'scrape'connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
channel = connection.channel()
channel.queue_declare(queue=QUEUE_NAME, durable=True)for i in range(1, TOTAL + 1):url = f'https://ssr1.scrape.center/detail/{i}'request = requests.Request('GET', url)print('re', request)channel.basic_publish(exchange='',routing_key=QUEUE_NAME,properties=pika.BasicProperties(delivery_mode=2,),body=pickle.dumps(request))print(f'Put request of {url}')

3) 消费内容

import pika
import pickle
import requestsMAX_PRIORITY = 100
QUEUE_NAME = 'scrape3'connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
channel = connection.channel()session = requests.Session()def scrape(request):try:response = session.send(request.prepare())print(f'success scraped {response.url}')except requests.RequestException:print(f'error occurred when scraping {request.url}')while True:method_frame, header, body = channel.basic_get(queue=QUEUE_NAME, auto_ack=True)if body:print(f'Get {body}')request = pickle.loads(body)print(request)scrape(request)

更具体的介绍在 Introduction to Pika — pika 1.3.2 documentation 和 Python3WebSpider/RabbitMQTest: RabbitMQ Test (github.com)